To nye forskningssystemer markerer et skift i, hvordan kunstig intelligens kan bidrage til videnskabelig opdagelse – og hvad det kræver af de mennesker, der skal bruge dem. I stedet for at lade en AI løse et enkelt, veldefineret problem, flytter begge systemer menneskets rolle til at vælge en forskningsretning og derefter lade AI'en selv finde, angribe og filtrere de relevante problemer.

Det første system, FAR (Find, Attempt, and Recommend), er udviklet til matematisk forskning. Det adresserer et konkret flaskehalsproblem: Menneskelig ekspertise er en begrænset ressource, og i de fleste nuværende AI-arbejdsgange bruges den i starten (problemvalg) og slutningen (review). FAR automatiserer problemvalget ved at søge i en bred litteraturkorpus og filtrere kandidatproblemer gennem flere stadier. I et pilotstudie med kombinatorik startede systemet med 5.245 artikler, fandt 6.453 kandidat-formodninger eller åbne problemer, filtrerede dem ned til 4.717 velformulerede og stadig åbne formodninger, og endte med 77 emner til menneskelig gennemgang. Blandt resultaterne var nye fund relateret til kendte formodninger af blandt andre Davies–Jenssen–Perkins–Roberts og Erdős–Straus.

Det andet system, Apodex Discovery, er et bredere framework til at bygge og evaluere såkaldt 'discoverative AI' – systemer der ikke bare løser specificerede opgaver, men selv opsøger og verificerer videnskabelige undersøgelser. Apodex har kortlagt 561 industrier, samlet 423 højværdi-problemer og udvalgt 20 til første udgivelse. I et konkret forsøg med AAV-capsid-design overgik systemet den publicerede state of the art med 7% på tværs af levedygtighed, tropisme, strukturforudsigelse og generativt design. I lægemiddel-repurposing forbedrede det den gennemsnitlige normaliserede prædiktionsscore for GPT-5.5 og GPT-5.6-sol med henholdsvis 2,5 og 7,6 point sammenlignet med samme model uden det specialiserede miljø.

Fælles for begge systemer er, at de flytter værdien fra at specificere problemer til at vælge retning og validere resultater. For en beslutningstager betyder det, at investeringen i AI ikke længere kun handler om at købe en model, men om at opbygge en arbejdsgang, hvor menneskelig ekspertise bruges der, hvor den gør mest gavn – i at definere, hvad der er værd at undersøge, og i at vurdere, hvad AI'en finder frem til.